Optimisation de l’architecture : Ajout d’un convertisseur de tension au niveau de la batterie

Le réseau 14V

Tout comme dans le cas du confort thermique, il ne s’agit pas de définir une architecture et/ou une commande optimisée pour chaque organe du réseau de bord 14V, mais plutôt d’étudier comment piloter au mieux ces organes (activation/désactivation) afin ne pas dégrader les trois critères autonomie/performances/coûts au cours des phases critiques (accélérations par exemple) ou sur le long terme (autonomie moyenne du véhicule). Le réseau de bord est vu comme une prestation client àréaliser qui vient « handicaper » ces trois principaux critères.
Concernant les consommateurs du réseau 14V, nous considérerons principalement :
– les feux
– l’essuie-vitre
– le lève-vitre
– la lunette arrière chauffante (LARC).

Environnement du système et conditions d’étude

Le système précédemment décrit est étudié dans deux conditions particulières d’utilisation :
– en roulage : le véhicule évolue sur route et réalise un trajet imposé (cycle long, accélération ou décélération sur quelques secondes, montée de trottoir). Vitesse du vent et pente de la route sont prises en compte.
– en charge : le véhicule à l’arrêt est relié à un réseau de charge.
La plupart des travaux se concentre sur l’étude en roulage. Le cas de la charge n’est pas étudié ici.

Outils et méthodes de modélisation utilisés

L’outil logiciel employé pour réaliser la plupart des simulations présentées dans la suite est Matlab-Simulink, dont l’utilisation est très largement répandue dans le milieu industriel. Nous présentons dans la suite quelques méthodes de modélisation adaptées à l’utilisation de ce logiciel.
Tout système modélisé en 0D/1D peut s’écrire sous forme d’équation différentielle du type : ( ) ( ) ( ) txf tx = . Deux questions se posent alors :
– Comment écrire les équations ? Il en découle la notion de causalité.
– Comment résoudre ces équations ? C’est la notion de solveur numérique, qui ne sera pas abordée dans la suite.

Causalité et boucle algébrique

Deux approches se distinguent :
– l’approche nodale (ou acausale): il n’y a pas de notion d’entrées/sorties. Le modèle est dit « non-orienté ». Seules sont considérées les relations mathématiques entre les grandeurs d’intérêt. Les logiciels de type circuit (tel que Simplorer ou Spice) utilisent cette approche.
– l’approche causale: il est nécessaire de définir les entrées, les sorties et leurs relations. Le modèle est dit « orienté ».
C’est cette seconde approche qui est utilisée dans le logiciel Matlab-Simulink. Les modèles causaux que nous développons ou réutilisonssont autant que possible des modèles de type « boîte blanche », c’est-à-dire que les relations entre les entrées et les sorties sont connues (par opposition avec des modèles de type « boîte noire »).
Un inconvénient de l’approche causale, directement lié à la notion d’entrées-sorties, est l’existence de boucle algébriquelors de la connexion des modèles entre eux [Her10]. La présence de boucles algébriques peut empêcher la convergence de la simulation.
Afin de limiter le risque d’apparition de boucles algébriques, nous utilisons deux approches complémentaires : la méthodologie Bond-Graphs et la méthodologie REM
(Représentation Energétique Macroscopique) que nous présentons succinctement dans la suite.

Méthodologie Bond-Graphs

Cette méthodologie a été créée en 1961 par H. Paynter et constitue encore maintenant une référence dans la représentation des systèmes multiphysiques [Dau99], [Dau00], [Gan03], [RA06]. Elle est basée sur la modélisation des échanges d’énergie au niveau de chaque composant d’un système par l’intermédiaire deliens de puissance : effort et flux.
De nombreux outils de simulation utilisant cette approche ont été développés, parmi lesquels nous pouvons citer le logiciel 20-Sim utilisé à plusieurs reprises lors des travaux de thèse (http://www.20sim.com/product/20sim.html).
Afin d’éviter l’existence de boucles algébriques, nous cherchons toujours à privilégier la causalité intégrale par rapport à la causalité dérivée, c’est-à-dire que nous privilégierons autant que possibleles relations entrées/sorties du type : ( ) = dt entrées sorties . et fuirons les relations du type dt entrées d sorties).
Un système ne pouvant pas toujours respecter la causalité intégrale (exemple : la mise en série de deux inductances), nous sommes amenés à utiliser différentes astuces de modélisation, telles que l’ajout d’éléments parasites (éléments capacitifs ou inductifs) ou la fusion de systèmes entre eux (somme des paramètres d’inductance dans le cas de deux inductances en série). La méthodologie Bond-Graphs permet de mettre en évidence l’existence de boucles algébriques et fournit les solutions pour les casser en perturbant le moins possible la représentativité physique du modèle.

Méthodologie REM

La REM(Représentation Energétique Macroscopique) est un formalisme développé par le L2EP (Laboratoire d’Electrotechnique et d’Electronique de Puissance) de Lille pour modéliser les systèmes de conversion complexes en vue de leur commande.
Elle est régie par les règles de base suivantes : – respect de la causalité intégrale : ( ) = dt entrées sortie . – respect de l’interaction (toute action implique uneréaction).
Afin d’étudier de plus près les avantages et inconvénients de cette méthode, un stage de fin d’étude encadré au cours des travaux de thèse a été réalisé chez Renault en 2008, l’objectif étant de tester les performances de la méthode appliquée au cas du système de puissance du véhicule électrique [Bal08]. Au terme de ce stage, les bonnes pratiques telles que la rigueur de modélisation et la méthodologie de mise en place de lois de commande ont été utilisées dans les travaux de thèse.
Ci-dessous est représentée la plateforme de simulation de la chaîne de traction électrique réalisée avec des blocs spécifiques de la méthodologie REM (Figure 2.6). Cette librairie a été développée à l’Université de Lille 1 de Sciences et Technologies dans la filière de M. Alain Bouscayrol [Bou03]

Environnement

Il s’agit de modéliser l’environnement du véhicule à travers le couple résistant appliqué au moteur électrique (terme ‘Cr ’ de l’équation mécanique de la machine. Cf. section 2.3.5). Celui-ci dépend entre autres de la vitesse de la machine mesurée en tr/min et de la pente de la route. Nous prendrons également en compte la vitesse du vent (Figure 2.31).

Climatisation / Chauffage

La prise en compte de la prestation « Confort thermique » lors de l’étude des performances et de l’autonomie du véhicule est nécessaire compte tenu de la puissance non négligeable que requiert ce système (cf. paragraphe 2.2.2).
Ce système est directement alimenté par la batteriede traction.
Afin d’être compatible avec les autres modèles de la plateforme, le modèle de confort thermique doit présenter une entrée en tension (donnée fournie par le modèle de batterie) et une sortie en courant ou en puissance consommée.
Du point de vue prestation client, nous devons nousintéresser à l’aspect thermique de l’organe, avec une entrée en température souhaitée par l’utilisateur et une sortie en température réelle dans l’habitacle. La températureextérieure constitue également une entrée du système et peut être vue comme une perturbation (Figure 2.35).

Conclusions sur le modèle de batterie – modèle retenu

Nous souhaitons étudier dans la suite l’autonomie, les performances et le coût de la chaîne de traction électrique. Il faut pour cela unmodèle de batterie :
– à paramètre E0 variable pour modéliser l’état de charge de la batterie au cours du temps
– prenant en compte la chute de tension à ses bornes. La tension influe en effet sur les performances du véhicule comme nous le verrons plus loin.
– constitué de briques élémentaires (les cellules) afin d’étudier différentes configurations de packs basés sur un panel de technologies restreint.
Lors de la phase d’optimisation globale, nous utiliserons ainsi le modèle de batterie SimPowerSystems conçu à partir du modèle de celluleparamétré à partir des Datasheets de constructeur ou des résultats d’essais.
Ce modèle, tout comme les trois autres modèles présentés précédemment, est aussi bien valable en charge qu’en décharge: le signe du courant d’entrée reflète le mode d’utilisation (positif en décharge, négatif en charge). De façon générale, nous avons une volonté forte de concevoir ou d’utiliser des modèles couvrant le plus de cas d’utilisation possibles afin d’éviter les « switch » de modèles au sein de la plateforme de simulation (par exemple lors d’une accélération suivie d’une décélération).
Les paramètres que nous ferons varierlors de la phase d’optimisation en régime dynamique seront :
– la technologie de cellule (impactant l’ensemble des paramètres du modèle :
paramètres électriques, masse et coût)
– le nombre de branches
– le nombre de cellules par branche
– le SOC initial.
La quantité d’énergie disponible dans la batterie (en kW.h) est le produit (V nominale×Cnominale ). Cette grandeur est le seul paramètre batterie que nous considèrerons dans le cas de l’optimisation globale en régime statique(cf. section 4.3). Cette quantité peut varier suivant le courant qu’elle débite.
Il est aussi possible de procéder à une optimisation locale de l’organe batterie en utilisant le modèle SPS. La démarche consiste alors, pour une technologie donnée (Li-Ion, Ni-Cd, NiMH), à déterminer quels sont les paramètres influents sur l’autonomie et les performances parmi les neuf paramètres considérés ci-dessus (autrement dit, quelle est la courbe optimale de décharge au niveau de la cellule).

Influence de l’utilisation de cartographies d’inductance sur le temps de simulation

Nous souhaitons mesurer l’influence de la taille des cartographies f d f f d C C M L L , , , , sur le temps de simulation, afin de :
– valider l’utilisation de cartographies à la place de paramètres constants
– déterminer, s’il y a lieu, la dimension des cartographies correspondant au meilleur compromis entre rapidité et précision des résultatsde simulation.

Conclusion – Du modèle au système

Afin de clore cette deuxième section consacrée à lamodélisation, nous reproduisons le schéma du système complet présenté à la Figure 2.4 en intégrant les modèles des différents organes (Figure 2.79). Nous vérifions ainsi que tous les modèles précédemment décrits sont compatibles du point de vue entrées / sorties.

Optimisation

Dans ce chapitre, nous allons nous intéresser à l’optimisation du système modélisé. Il ne s’agit pas de l’optimisation, mais des optimisations comme nous le préciserons dans la suite. En effet, nous allons être amenés à distinguer l’optimisation des lois de pilotage (dite « optimisation soft »), de l’optimisation de l’architecture (dite « optimisation hard »).
Plusieurs scénarios sont envisagés suivant que l’on souhaite maximiser l’autonomie du véhicule sur un cycle de roulage figé (les performances dynamiques du véhicule étant alors imposées) ou bien que l’on s’intéresse à la maximisation des performances tout en minimisant les pertes. La plupart du temps, le critère sur les coûts sera traduit en contraintes à respecter dans nos problèmes d’optimisation. L’essentiel de l’optimisation du système de puissance sera mené sur la chaîne de traction. Le confort thermique et le réseau 14V, partie intégrante du système de puissance, ne seront considérés que du point de vue consommateurs énergivores.

Introduction : différents types d’optimisation

Le terme « Optimisation » est utilisé dans la suiteà deux niveaux :
– Au niveau modélisation du système, l’objectif étant de paramétrer au mieux les modèles du système de puissance du véhicule électrique. Un algorithme simple d’optimisation est ainsi utilisé pour identifier ces paramètres en minimisant un critère de représentativité du modèle (par exemple,la différence entre des sorties d’un modèle et des données issues d’essais). Un exemple concernant la modélisation des pertes dans l’ensemble convertisseurs-machine sera présenté auparagraphe 3.4.2.3.
→Il s’agit de l’identification du modèle.
– Au niveau conception et pilotage optimaux du système, l’objectif étant de proposer une architecture et une commande associée qui minimisent ou maximisent certains critères de performance. Suivant qu’il s’agisse de l’architecture ou de la commande, nous distinguerons l’optimisation « hard » (Figure 3.1) et l’optimisation « soft » (Figure 3.2). Les algorithmes mis en œuvre sont plus complexes que dans le cas précédent, car bien souvent les fonctions coût n’ont pas d’expressions analytiques, mais ne peuvent être qu’évaluées par simulateur.

Optimisation « hard »

L’architecture du système de puissance est libre. A partir de la structure classique batterie-convertisseurs-machine, nous pouvons (Figure 3.1) :
– introduire différents organes supplémentaires, tel que par exemple un convertisseur DC-DC en aval de la batterie afin de piloter la tension vue par le reste de la chaîne de traction : il s’agit d’une optimisation « hard » avec modification de la structure de base.
– étudier les performances de différentes technologies d’organes déjà présents (batteries Lithium-Ion, Nickel-Cadmium, Nickel-Metal-Hydride ou machine synchrone à rotor bobiné, synchrone à aimants permanents, asynchrone, à reluctance par exemple) : il s’agit d’une optimisation « hard » sans modification de la structure de base.

Table des matières
1 INTRODUCTION GÉNÉRALE
Contexte industriel de l’étude
Le véhicule électrique
Objectifs de la thèse et axes d’étude
Organisation du document
2 MODELISATION
2.1 Introduction
2.2 Description du système physique étudié
2.2.1 Véhicule électrique et véhicule thermique.
2.2.2 Système de puissance du véhicule électrique
2.2.2.1 La chaîne de traction
2.2.2.2 Le confort thermique
2.2.2.3 Le réseau 14V
2.2.3 Environnement du système et conditions d’étude
2.3 Outils et méthodes de modélisation utilisés
2.3.1 Causalité et boucle algébrique
2.3.2 Méthodologie Bond-Graphs
2.3.3 Méthodologie REM
2.3.4 Différents niveaux de modélisation
2.4 Description des modèles en régime dynamique
2.4.1 Batterie de traction
2.4.1.1 Modèles à paramètres constants
2.4.1.2 Modèles à paramètres variables
2.4.2 Filtre LC
2.4.3 Convertisseur AC/DC
2.4.3.1 Onduleur idéal (ou 1 er harmonique)
2.4.3.2 Onduleur à commutations
2.4.4 Convertisseurs DC-DC
2.4.4.1 Buck simple à l’inducteur de la machine
2.4.4.2 Buck avec isolation en amont du réseau 14V
2.4.4.3 Buck/Boost en sortie de la batterie
2.4.5 Machine électrique
2.4.6 Environnement
2.4.7 Climatisation / Chauffage
2.5 Choix de la causalité et paramétrage
2.5.1 Batterie de traction
2.5.2 Filtre LC
2.5.3 Convertisseur AC-DC
2.5.4 Convertisseurs DC-DC
2.5.4.1 Buck simple à l’inducteur de la machine
2.5.4.2 Buck avec isolation en amont du réseau 14V
2.5.5 Machine
2.5.6 Environnement
2.6 Validation des modèles et modification éventuelle
2.6.1 Batterie de traction
2.6.2 Machine
2.6.2.1 Modèle de Park avec saturations 1D
2.6.2.2 Modèle avec saturations 3D
2.7 Conclusion – Du modèle au système
3 OPTIMISATION
3.1 Introduction : différents types d’optimisation
3.1.1 Optimisation « hard »
3.1.2 Optimisation « soft »
3.1.3 Méthodologie utilisée dans le cas du véhicule électrique
3.2 Mise en place du problème d’optimisation
3.2.1 Critères et contraintes : trois scénarios identifiés
3.2.2 Degrés de liberté
3.2.3 Méthodes d’optimisation
3.2.3.1 Classification des problèmes
3.2.3.2 Classification des méthodes
3.2.3.3 Présentation de quelques méthodes : points forts / points faibles
3.2.3.3.1 Méthodes déterministes de recherche de minimum local
3.2.3.3.2 Méthodes déterministes de recherche de minimum global
3.2.3.3.3 Méthodes stochastiques
3.2.3.4 Spécificité des problèmes multi-objectifs
3.2.3.4.1 Généralités
3.2.3.4.2 Classements des différentes méthodes
3.2.3.4.3 Méthodes à préférence a priori
3.2.3.4.4 Méthodes à préférence a posteriori
3.3 Optimisation globale avec modèles rapides
3.3.1 Quelques études préliminaires sur l’autonomie à vitesse constante
3.3.1.1 Influence de la vitesse
3.3.1.2 Influence de la masse du véhicule
3.3.2 Etude de sensibilité paramétrique
3.3.2.1 Plans d’expériences par la méthode Taguchi
3.3.2.2 Utilisation de l’algorithme du simplexe
3.3.3 Optimisation de l’architecture : Ajout d’un convertisseur de tension au niveau de la batterie
3.4 Optimisations locales avec modèles précis
3.4.1 Introduction : pilotage de la chaîne de traction électrique
3.4.2 Machine
3.4.2.1 Principe de la commande vectorielle .
3.4.2.2 Stratégie à maximum de couple
3.4.2.3 Stratégie à minimum de pertes
3.4.2.4 Stratégie hybride
3.4.2.5 Saturation de la tension batterie
3.4.2.6 Stratégie « aveugle » robuste aux erreurs de modéli sation
3.4.2.6.1 Erreurs de modélisation des pertes
3.4.2.6.2 Erreurs de modélisation de la machine
3.4.2.7 Introduction d’un 4 ème degré de liberté
3.4.3 Réglage des PI
3.4.4 Onduleur de tension
3.4.4.1 Principe générique de commande
3.4.4.2 Commande Pleine Onde
3.4.4.3 MLI sinus-triangle
3.4.4.3.1 Principe générique
3.4.4.3.2 Optimisation
3.4.4.4 MLI vectorielle
3.4.4.4.1 Principe générique
3.4.4.4.2 Optimisation
3.4.4.5 Récapitulatif des stratégies
3.5 Conclusions
4 CONCLUSION GENERALE 
ANNEXES
4.1 Commande vectorielle de l’onduleur
4.2 Caractéristiques des véhicules électriques Renault
4.2.1 Fluence Z.E
4.2.2 Kangoo Express Z.E
4.2.3 Twizzy Z.E.
4.2.4 Zoé Z.E
REFERENCES BIBLIOGRAPHIQUES

Lire le rapport complet